3. 混淆矩阵详解：TP、FP、FN、TN 的定义与计算
混淆矩阵（Confusion Matrix）是风控模型效果评估中最基础、最核心的工具。它将模型预测结果与真实标签进行交叉统计，形成一张 2×2 的矩阵，直观展示模型在正负样本上的分类表现。理解混淆矩阵的四个基本元素，是后续计算准确率、精确率、召回率、F1 分数等所有评估指标的前提。
3.1 混淆矩阵的四要素定义
在风控场景中，通常将“坏客户”（逾期、欺诈、违约）定义为 正类（Positive），将“好客户”（正常还款、无风险）定义为 负类（Negative）。模型预测结果与真实情况组合后，产生四种结果：
| 混淆矩阵元素 | 英文全称 | 含义 | 风控场景解读 |
|---|---|---|---|
| TP | True Positive | 真实为正，预测为正 | 模型正确识别出坏客户（命中风险） |
| FP | False Positive | 真实为负，预测为正 | 模型误将好客户判为坏客户（误杀） |
| FN | False Negative | 真实为正，预测为负 | 模型漏掉了坏客户（漏网之鱼） |
| TN | True Negative | 真实为负，预测为负 | 模型正确识别出好客户（放行通过） |
记忆口诀：“T/F”代表预测是否正确（True/False），“P/N”代表模型预测的结果（Positive/Negative）。例如 FP = False Positive，即模型预测为正（Positive），但预测错误（False）。
3.2 混淆矩阵的结构与计算
混淆矩阵通常以表格形式呈现，行代表真实标签，列代表预测标签。以下是一个标准的 2×2 混淆矩阵结构：
3.3 从混淆矩阵计算核心指标
基于混淆矩阵的四要素，可以推导出风控评估中最常用的几个指标：
| 指标名称 | 计算公式 | 风控含义 |
|---|---|---|
| 准确率（Accuracy） | (TP + TN) / (TP + FP + FN + TN) | 整体预测正确的比例，但在样本不平衡时可能失真 |
| 精确率（Precision） | TP / (TP + FP) | 模型判为坏客户的样本中，真正是坏客户的比例（衡量误杀程度） |
| 召回率（Recall） | TP / (TP + FN) | 真实坏客户中被模型识别出来的比例（衡量漏网程度） |
| 特异度（Specificity） | TN / (FP + TN) | 真实好客户中被正确放行的比例（衡量误拒程度） |
| F1 分数 | 2 × (Precision × Recall) / (Precision + Recall) | 精确率和召回率的调和平均，综合评估模型性能 |
风控实战提示：在信贷风控中，通常更关注召回率（Recall）和精确率（Precision）的平衡。召回率低意味着大量坏客户未被识别，直接导致坏账损失；精确率低意味着大量好客户被误杀，影响业务规模和客户体验。实际项目中常通过调整阈值来寻找最优平衡点。
3.4 混淆矩阵在风控模型评估中的实际意义
混淆矩阵不仅仅是一个统计表格，它在风控模型评估中具有以下关键作用：
- 量化模型错误类型：区分“误杀”（FP）和“漏网”（FN）两种错误，帮助风控团队理解模型在哪些环节失效。
- 支持阈值调优：通过改变决策阈值，可以观察 TP/FP/FN/TN 的变化轨迹，找到业务可接受的风险-收益平衡点。
- 计算业务成本：将 FP 和 FN 映射为具体的资金损失（如 FP 导致客户流失成本，FN 导致坏账成本），辅助决策。
- 对比不同模型：在同一测试集上比较多个模型的混淆矩阵，直观判断哪个模型在控制误杀或漏网上表现更优。
- 诊断模型偏差：如果 FP 远高于 FN，说明模型过于保守（过度拒绝）；如果 FN 远高于 FP，说明模型过于激进（风险敞口过大）。
3.5 实战案例：计算混淆矩阵
假设某风控模型对 1000 个样本进行预测，结果如下：
- 实际坏客户（正类）共 200 人，模型正确识别出其中 160 人（TP=160），漏掉 40 人（FN=40）
- 实际好客户（负类）共 800 人，模型正确放行 720 人（TN=720），误杀 80 人（FP=80）
对应的混淆矩阵为：
| 预测为正（坏客户） | 预测为负（好客户） | |
|---|---|---|
| 实际为正（坏客户） | TP = 160 | FN = 40 |
| 实际为负（好客户） | FP = 80 | TN = 720 |
基于此矩阵计算核心指标：
准确率（Accuracy） = (160 + 720) / (160 + 80 + 40 + 720) = 880 / 1000 = 88.0%
精确率（Precision） = 160 / (160 + 80) = 160 / 240 = 66.7%
召回率（Recall） = 160 / (160 + 40) = 160 / 200 = 80.0%
特异度（Specificity）= 720 / (80 + 720) = 720 / 800 = 90.0%
F1 分数 = 2 × (0.667 × 0.800) / (0.667 + 0.800) = 0.727
注意：虽然准确率高达 88%，但精确率只有 66.7%，意味着每 3 个被拒绝的客户中就有 1 个是好客户（误杀）。在风控业务中，如果误杀成本过高，可能需要调低阈值以降低 FP，但代价是 FN 可能上升。混淆矩阵的价值就在于让这种权衡变得可量化、可追踪。
3.6 混淆矩阵的扩展应用
在实际风控项目中，混淆矩阵还可以进一步扩展：
- 多分类混淆矩阵：当风险等级分为“低风险、中风险、高风险”等多类时，混淆矩阵扩展为 N×N 矩阵，用于评估多分类模型的细粒度表现。
- 时间维度混淆矩阵：按时间窗口（如每月）分别构建混淆矩阵，观察模型性能是否随时间衰减（模型退化检测）。
- 分群混淆矩阵：按用户群体（如新客、老客、不同渠道）分别构建混淆矩阵，发现模型在不同群体上的偏差。
- 成本敏感混淆矩阵：为 FP 和 FN 赋予不同的业务成本权重，计算加权错误率，更贴近真实业务损失。
核心总结：混淆矩阵是风控模型评估的“第一性原理”工具。无论后续使用 AUC、KS、Lift 曲线等高级指标，其底层逻辑都离不开 TP、FP、FN、TN 这四个基本元素。掌握混淆矩阵，就掌握了风控评估的根基。